基于有序決策樹的故障程度診斷研究.pdf

1、近幾年，人工智能，尤其是機器學習和模式識別技術大量應用于設備狀態(tài)監(jiān)測和故障診斷領域，采用智能技術檢測和分析機械故障成為一種趨勢。在故障分析中，用戶除了需要知道某設備是否發(fā)生故障以及為何種故障外，還需獲得故障的嚴重信息，從而制定適當?shù)木S修策略和檢修方案。
　　故障程度的智能檢測本質上是有序分類問題：將故障程度用一組有序整數(shù) n表示(n=1,2,3,…)，表示‘輕微故障’、‘中等故障’‘嚴重故障’等。相比于經典分類問題，有序分類的類別

2、號(即故障程度)之間存在大小關系。由于存在這種序的關系，在分類器設計原則上以及分類器性能評價準則上都與經典的模式分類問題有所差別。
　　在故障程度分析中，當表征故障嚴重性的特征值增加（或減少）時，故障程度隨之增加，即故障特征與故障嚴重性之間存在單調性的約束。稱這種能表征故障程度的特征為單調故障特征。這種單調性故障特征為故障程度診斷提供簡便實用的信息，可以根據(jù)這種特征來衡量故障程度。
　　本文從模式識別中的有序分類問題出發(fā)，研

3、究了有序分類問題的本質和從數(shù)據(jù)中歸納學習有序分類模型的方法，提出2種有序分類規(guī)則學習算法，并將其應用于機械故障嚴重程度建模。具體內容如下：
　　首先，本文系統(tǒng)地介紹了模式識別與機器學習領域中的有序分類問題，指出該問題與經典模式分類問題相比較，發(fā)展歷史與研究深度相對簡單，還有很大的研究空間。
　　其次，介紹了單調分類中特征與決策之間的單調性約束?，F(xiàn)有分類器只有在數(shù)據(jù)集是單調一致時才能訓練出單調的分類模型，而現(xiàn)實中非單調噪聲廣泛

4、存在，單調一致數(shù)據(jù)集很難得到。本文引入一種衡量特征與決策之間隨機單調約束的指標，指出特征與決策是概率上的單調。介紹了有序信息熵模型，該模型繼承了經典信息熵的魯棒性，且能夠反映特征與決策之間的隨機單調相關性。最后基于該理論構造了基于有序信息熵的決策樹學習算法。
　　再次，針對部分特征與決策單調，部分特征不單調的決策問題，構造了隨機有序混雜決策樹算法。首先用非單調特征分裂數(shù)據(jù)，再用單調特征繼續(xù)細化。為測試本文提出方法的性能，分別在人工

5、數(shù)據(jù)和標準數(shù)據(jù)上用本文算法與其他經典有序分類算法進行了比較。結果顯示，本文提出的兩種算法魯棒性好、泛化誤差小。
　　最后，將本文提出的算法應用于實際故障診斷。本文應用在齒輪裂縫故障程度監(jiān)測實驗中。在實驗中，用位移傳感器監(jiān)測齒輪箱的振動，由此反映齒輪的故障嚴重程度。為區(qū)分故障等級，人為制造不同深度的齒輪裂縫。在不同負載和轉速情況下得到振動數(shù)據(jù)，然后在頻域與時域上提取了一系列特征得到故障數(shù)據(jù)。結果顯示，本文方法分類損失低，展示了該方法